TRANSFORMASI MODEL WARNA YUV DAN FUZZY SUPPORT VECTOR MACHINE UNTUK KLASIFIKASI CITRA SATELIT
|
|
- Ari Sugiarto
- 7 tahun lalu
- Tontonan:
Transkripsi
1 TRANSFORMASI MODEL WARNA YUV DAN FUZZY SUPPORT VECTOR MACHINE UNTUK KLASIFIKASI CITRA SATELIT Ahmad Afif Supianto 1, Sutrisno 2 Informatika/Ilmu Komputer, Program Teknologi Informasi dan Ilmu Komputer, Universitas Brawijaya Malang afif.supianto@ub.ac.id 1, trisno@ub.ac.id 2 ABSTRAK Di bidang klasifikasi citra satelit, beberapa penelitian telah banyak dilakukan dan dikembangkan untuk meningkatkan tingkat keakuratan dari proses klasifikasi tersebut. Pada citra satelit, area yang akan diklasifikasi memiliki lebih dari dua kelas, sehingga Multi-classification SVM digunakan sebagai pijakan untuk membangun classifier. Namun, Multi-classification SVM tersebut sering menghasilkan daerah yang tidak terklasifikasi (unclassifiable). Selain itu, model warna selain RGB adalah transformasi model warna YUV. Model ini dipilih sebagai metode ekstraksi fitur karena komponen warna Y secara tegas dipisahkan dari komponen chrominance (U dan V) yang mengakibatkan kedua komponen tersebut bersifat independen, sehingga komponen luminance dapat diproses tanpa mempengaruhi kontent warna dari suatu citra dan ruang model YUV tersebut biasanya banyak digunakan dalam gambar dan video. Pada penelitian ini, diusulkan metode klasifikasi yang menggunakan model warna YUV dan Fuzzy Support Vector Machine (FSVM) sebagai classifier. Metode klasifikasi diawali dengan proses ekstraksi fitur komponen warna Y (luminance) dari model warna YUV. Selanjutnya fitur yang dihasilkan dilatih menggunakan metode FSVM sebagai classifier. FSVM diterapkan sebagai classifier untuk menghindari area unclassifiable sebagai pengembangan pada metode Support Vector Machine (SVM), dimana metode SVM mengklasifikasikan data secara stright dengan tidak memperhatikan derajat keanggotaan dari suatu data terhadap semua kelas yang didefinisikan. Tahap berikutnya adalah tahap pengujian sistem untuk mengetahui tingkat akurasi terhadap metode yang diusulkan. Uji coba dilakukan terhadap citra satelit berukuran 256x256 piksel dengan total jumlah data latih sebanyak 450 data citra berukuran 16x16 piksel. Pengujian dilakukan untuk mengklasifikasikan citra ke dalam 3 kelas, yaitu lahan pertanian, area permukiman, dan area perairan. Hasil uji coba menunjukkan bahwa metode yang diusulkan mampu mengklasifikasikan data dengan tingkat akurasi mencapai 74,20%, sedangkan uji coba terhadap ekstraksi fitur RGB dan FSVM menghasilkan tingkat akurasi mencapai 73,52%. Implementasi transformasi model warna YUV dan FSVM yang diusulkan mampu meningkatkan nilai akurasi. Kata Kunci: Citra Satelit, Transformasi Citra, Support Vector Machine, Fuzzy Support Vector Machine. 1 PENDAHULUAN Penelitian di bidang klasifikasi citra telah banyak dilakukan dan dikembangkan, terutama di bidang citra satelit. Identifikasi objek di dalam citra satelit menjadi penting mengingat manfaat yang didapatkan juga begitu besar. Salah satu manfaat yang didapatkan ketika suatu objek dapat diidentifikasi adalah informasi yang dapat diperoleh dari objek tersebut. Misalnya, informasi tentang jenis area, tipe area, sebaran area dan luas area dari objek tersebut. Sebagai contoh, informasi tentang jenis dan luas suatu area sumber pangan, area bangunan atau pemukiman, dan area perairan (seperti: sungai, danau, dan waduk). Dengan mengetahui informasi tersebut maka informasi tentang ketahanan pangan suatu daerah tertentu dan pada waktu tertentu dapat diperoleh. Berbagai penelitian telah dilakukan untuk mengklasifikasikan objek pada citra satelit. Pada tahun 2009, Yuyong dkk. mengusulkan klasifikasi citra satelit melalui pendekatan konversi fitur, dimana citra yang semula dalam format RGB diubah ke dalam format HIS (Hue, Intensity, dan Saturation) [1]. Kemudian mereka menggunakan Fuzzy Support Vector Machine (FSVM) sebagai classifier dalam penelitian yang mereka usulkan. Hasil yang diperoleh dari penerapan metode tersebut meningkatkan presisi dari klasifikasi citra satelit. Penerapan Support Vector Machine (SVM) untuk klasifikasi citra satelit yang diusulkan oleh [1] menjadi ide dasar untuk dikembangkan dalam penelitian ini. SVM telah diterapkan dalam klasifikasi citra satelit dan menunjukkan hasil klasifikasi yang baik. Pada penelitian lain, [2] menggunakan SVM untuk melatih gambar HyMap dan mendapatkan hasil yang lebih baik daripada 1
2 Neural Network. Keuntungan lain yang dihasilkan dari penelitian tersebut adalah dapat digunakan untuk ukuran sampel yang kecil, non-linear dan pengenalan pola dengan dimensi yang tinggi [3]. Multi- Classification SVM sering menghasilkan daerah yang tidak terklasifikasi (unclassifiable), sehingga beberapa penelitian selanjutnya metode-metode yang memodifikasi SVM banyak dikembangkan untuk mengatasinya. Least Squares Support Vector Machines (LS-SVMs) diusulkan oleh Suykens dkk. [4] juga diperkenalkan untuk menghindari masalah biaya komputasi. Fuzzy Support Vector Machine (FSVM) diperkenalkan untuk menghindari daerah unclassifiable diusulkan oleh [5] dan [1]. Pada penelitian ini akan digunakan FSVM sebagai classifier pada citra satelit. FSVM yang diusulkan oleh (Yuyong dkk., 2009) menggunakan model transformasi citra HIS sebagai citra masukan untuk proses klasifikasi. Metode transformasi yang lain adalah model YUV. Model warna YUV dipilih dalam tulisan ini, karena dua alasan. Pertama, komponen chrominance (U dan V) secara tegas dipisahkan dari komponen luminance (Y) yang mengakibatkan kedua komponen tersebut bersifat independen, sehingga komponen luminance dapat diproses tanpa mempengaruhi kontent warna dari suatu citra [6]. Kedua, ruang model YUV tersebut biasanya banyak digunakan dalam gambar dan video [7]. Oleh sebab itu, pada penelitian ini akan diusulkan suatu metode baru untuk melakukan klasifikasi citra satelit menggunakan model YUV dan FSVM. Model YUV digunakan sebagai citra masukan. Sedangkan FSVM diterapkan sebagai classifier untuk menghindari daerah unclassifiable sebagai pengembangan pada metode Support Vector Machine (SVM), dimana metode SVM mengklasifikasikan data secara stright dengan tidak memperhatikan derajat keanggotaan dari suatu data terhadap semua kelas yang didefinisikan. Fokus klasifikasi yang dilakukan pada penelitian ini adalah mengelompokkan objek ke dalam tiga kelas, yaitu lahan pertanian, permukiman, dan perairan. 2 MODEL, ANALISIS, DESAIN, DAN IMPLEMENTASI 2.1 Model Warna YUV Model warna YUV digunakan dalam pola transmisi Televisi berwarna komersial di Eropa, sedangkan model RGB (Red, Green, Blue) dikodekan untuk efisiensi transmisi dan pemeliharaan kompatibilitas sebagai pola monokrom dari Televisi. Model YUV terdiri dari komponen luminance/brightness (Y) dan dua komponen konten warna / chrominance (U dan V). Konversi dari RGB (Red, Green, dan Blue) ke model YUV diberikan oleh [8] sesuai dengan Persamaan (1) berikut: Keuntungan utama dari model YUV dalam pengolahan citra adalah bahwa tingkat pencahayaan (luminance) dan informasi warna (chrominance) adalah independen. Dengan demikian, komponen luminance dapat diproses tanpa mempengaruhi konten chrominance. Informasi detail pada citra digital berada dalam komponen luminance. Oleh karena itu, dapat diambil keuntungan terhadap tingkat kepekaan yang tinggi dari sistem visualisasi manusia berupa variasi brightness daripada variasi chrominance [8]. 2.2 Support Vector Machine Support Vector Machine (SVM) merupakan sebuah classifier linier dengan feature set yang telah ditentukan sebelumnya. SVM akan mencari sebuah hyperplane linier dengan margin terbesar untuk memisahkan kelas yang ada [9]. Margin terbesar, yang kemudian disebut sebagai Maximum Marginal Hyperplane (MMH) tersebut akan memberikan jarak terbesar antar kelas. Jarak antara hyperplane dengan sebuah sisi dari margin tersebut sama dengan jarak antara hyperplane dengan margin pada sisi lainya. Sebuah fungsi penentu atau decision function d(x,w,b) untuk menentukan MMH dapat dinyatakan dengan Persamaan (2) [10] berikut:, (2) dimana W merupakan vektor bobot, W={w 1,w 2,.,w n } T, X merupakan feature set, dan b adalah sebuah bilangan skalar yang menyatakan nilai bias. Jarak dari hyperplane ke sebuah titik di salah satu kelas adalah (1), dimana W merupakan Euclidean norm dari W. Seperti yang telah dijelaskan sebelumnya bahwa jarak hyperplane ke sebuah kelas dan jarak hyperplane ke kelas lainnya memiliki nilai yang sama. Oleh sebab itu margin maximal dirumuskan oleh Persamaan (3) berikut:, (3) dengan nilai M merupakan nilai margin yang harus dimaksimalkan. Untuk mengoptimalkan Persamaan 2 sehingga diperoleh sebuah margin maksimal, maka digunakan optimasi quadratik programing yang dinyatakan pada Persamaan (4) dengan konstrain, (4) y T α = 0, (5) αi 0, i = 1,.l, (6) 2
3 Ahmad Afif Supianto, Transformasi Model Warna YUV dan Fuzzy Support Vector Machine untuk Klasifikasi Citra Satelit dimana α = [α 1, α 2,., α l ] T, H merupakan notasi untuk Hessian matrix dimana H ij = y i y j x i T x j dan f merupakan vektor (l,l) dimana f = [1 1. 1] T. Dengan memperhatikan Persamaan (3) diperoleh Persamaan (7) dan (8) untuk mendapatkan nilai w dan b yang optimal., (7), (8) dimana pada Persamaan (8) hanya digunakan data yang merupakan support vector (α>0) [11]. Klasifikasi secara linier sangat terbatas. Seringkali kelas-kelas tidak memiliki sebuah hyperplane tetapi memiliki pemisah berupa yang non-linier dimana batas pemisah yang sebenarnya adalah garis quadratic [11]. Ide dasar dari non-linear SVM adalah dengan memetakan vektor input ke dalam vektor yang memiliki feature space f berdimensi lebih banyak seperti pada Persamaan (9),, (9) sehingga permasalahan non-linear dapat diselesaikan menggunakan klasifikasi linier pada feature space baru. Dengan menggantikan nilai dot pada Hessian matrix, pemetaan pada data ke dimensi yang lebih tinggi tidak perlu dilakukan. Salah satu fungsi pemetaan yang sering digunakan dalam SVM adalah fungsi gaussian RBF seperti pada Persamaan (10),, (10) fungsi tersebut merupakan fungsi kernel yang diterapkan pada penelitian ini. 2.3 Fuzzy Support Vector Machine Fuzzy Support Vector Machine (FSVM) merupakan pengembangan SVM untuk permasalahan multiclass. Dengan menggunakan decision function yang diperoleh dari SVM untuk sebuah pasangan kelas, setiap kelas didefinisikan sebuah fungsi keanggotaan polyhedral pyramidal [9]. Jika klasifikasi dilakukan secara berpasang-pasangan decision function untuk kelas i dan kelas j dengan margin maksimal diformulasikan pada Persamaan (11). Akan tetapi jika dilakukan klasifikasi akan terdapat data yang tidak dapat diklasifikasikan seperti yang ditunjukkan pada Gambar 1., (11) FSVM menggunakan fungsi keanggotaan untuk mengklasfikasikan daerah yang tidak dapat diklasifikasikan oleh decision function. Persamaan (12) menunjukkan fungsi keanggotaan m ij, (12) x 1 0 D 13 (x)=0 Kelas 3 Kelas 1 Gambar 1. Daerah yang diarsir merupakan daerah yang tidak dapat diklasifikasikan. Dengan menggunakan m ij (x), dapat didefinisikan fungsi keanggotaan x terhadap kelas i sesuai Persamaan (13) berikut,,,, (13) Sehingga data x akan diklasifikasikan ke dalam kelas i yang memiliki nilai keanggotaan yang paling tinggi. Setelah setiap data terklasifikasi berdasarkan metode yang diusulkan, selanjutnya dilakukan perhitungan tingkat akurasi yang diperoleh melalui Persamaan (14) berikut,, (14) Dimana merupakan jumlah data uji yang terklasifikasi dengan benar, dan merupakan jumlah total data uji. 3 SKENARIO UJI COBA D 23 (x)=0 D 12 (x)=0 Kelas 2 Pada penelitian ini, kami tentukan 3 kelas seperti yang telah disampaikan sebelumnya, yaitu lahan pertanian, permukiman, dan perairan. Dalam tahap pengujian akan diamati pengaruh dari perbedaan parameter yang digunakan. Pengujian meliputi pengujian pengaruh parameter pada fungsi kernel Gaussian RBF dan pengaruh jumlah data latih. Pengujian tersebut akan diimplementasikan pada fitur yang diusulkan, yaitu model warna YUV. Selain itu, pengujian juga dilakukan pada model warna RGB untuk mengetahui apakah terdapat peningkatan akurasi terhadap transformasi model warna ke dalam model YUV. Dalam pengujian ini akan digunakan total data latih sebanyak 450 data citra, masing-masing kelas terdiri dari 150 data. Setiap data citra berukuran 16x16 piksel. Contoh data latih dapat dilihat pada Gambar 2. Setiap data citra berukuran 16x16 piksel tersebut diambil window 3x3 piksel dan digeser setiap satu piksel horizontal dan vertikal. Setiap x 2 3
4 window dihitung rata-ratanya untuk setiap channel warna. Window 3x3 piksel tersebut selanjutnya akan digunakan untuk melakukan pengujian terhadap citra uji. Adapun citra uji berukuran 256x256 piksel dapat dilihat pada Gambar 3. a b c d e f g h i j k l m n o Gambar 2. Contoh data latih. a-e: contoh data latih lahan pertanian, f-j: contoh data latih permukiman, dan k-o: contoh data latih perairan. Gambar 3. Citra uji berukuran 256x256 piksel. Skenario pertama akan diuji pengaruh parameter terhadap nilai akurasi. Permasalahan klasifikasi citra satelit merupakan permasalahan klasifikasi non-linear, oleh sebab itu digunakan sebuah fungsi kernel yaitu Gaussian RBF. Dalam Gaussian RBF terdapat parameter yang menentukan bagaimana data yang ada dipetakan. Hal ini mengakibatkan bahwa perubahan nilai pada parameter akan mempengaruhi hasil dari klasifikasi itu sendiri. Uji pada skenario pertama menunjukkan bahwa nilai parameter yang berbeda memberikan hasil tingkat akurasi yang berbeda pula. Sehingga pada skenario pengujian selanjutnya digunakan nilai yang memberikan tingkat akurasi tertinggi. Skenario kedua adalah pemberian jumlah data latih terhadap sistem yang telah dibangun. Skenario ini ditujukan untuk mengetahui pengaruh jumlah data latih terhadap tingkat akurasi. Pengujian dilakukan untuk data latih dengan jumlah mulai dari 150 sampai dengan 450 data citra dengan nilai parameter tertinggi. 4 HASIL UJI COBA Uji coba dimulai dengan menjalankan uji skenario pertama, yaitu pengaruh parameter terhadap nilai akurasi. Hasil uji coba pada skenario ini ditunjukkan pada Tabel 1. Data pada Tabe1 1 menunjukkan nilai akurasi pada nilai parameter yang berbeda mulai dari 0,1 sampai dengan 1,5 dengan jumlah data latih sebanyak 150 citra, yaitu 50 data untuk setiap kelas. Tabel 1. Nilai Akurasi FSVM untuk model warna YUV dan RGB dengan jumlah data latih sebanyak 150 data citra. Akurasi (%) YUV-FSVM RGB-FSVM 0,1 56,71 54,77 0,2 63,64 61,05 0,3 68,73 67,14 0,4 69,49 68,86 0,5 69,72 69,27 0,6 70,19 69,44 0,7 70,42 69,48 0,8 70,19 69,15 0,9 70,01 68,82 1,0 69,61 68,57 1,1 69,27 68,43 1,2 68,72 68,14 1,3 68,48 67,85 1,4 68,10 67,56 1,5 67,82 67,40 Pada Table 1 dapat terlihat bahwa akurasi tertinggi diperoleh ketika nilai =0,7 baik untuk model warna YUV maupun RGB. Tingkat akurasi untuk model warna YUV dan RGB masing-masing mencapai 70.42% dan 69.48%. Dari semua nilai uji parameter, penerapan model warna YUV menghasilkan nilai akurasi lebih besar dibandingkan dengan model warna RGB. Hal ini menunjukkan bahwa metode yang diusulkan memberikan dampak peningkatan terhadap nilai akurasi. Secara grafis dampak peningkatan tersebut dapat dilihat pada Gambar 4. Gambar 5 dan Gambar 6 masing-masing merupakan hasil klasifikasi untuk metode YUV- FSVM dan RGB-FSVM dengan jumlah data latih sebesar 150 dan parameter =0,7. Selanjutnya, pengujian dilakukan untuk mengetahui pengaruh besarnya jumlah data latih yang digunakan terhadap akurasi yang dihasilkan. Tingkat akurasi untuk masing-masing jumlah data latih dapat dilihat pada Tabel 2. Dari tabel tersebut dapat dilihat bahwa nilai akurasi tertinggi diperoleh ketika jumlah data latih sebanyak 450 data. Untuk model warna YUV nilai akurasi mencapai 74,20%, sedangkan untuk model warna RGB mendapatkan nilai akurasi sebesar 73,72%. 4
5 Ahmad Afif Supianto, Transformasi Model Warna YUV dan Fuzzy Support Vector Machine untuk Klasifikasi Citra Satelit pada jumlah 450 data, peningkatan akurasi sudah tidak signifikan lagi, sehingga pada penelitian ini total jumlah data latih yang digunakan adalah 450 data citra. Tabel 2. Nilai Akurasi FSVM untuk model warna YUV dan RGB dengan parameter = 0,7. Jumlah Data Akurasi (%) Latih YUV-FSVM RGB-FSVM ,42 69, ,47 72, ,13 72, ,91 73, ,20 73,52 Rata-rata 72,83 72,25 Gambar 4. Grafik tingkat akurasi dengan perubahan parameter. Hasil klasifikasi untuk metode YUV-FSVM dengan jumlah data latih 450 dan parameter =0,7 ditunjukkan pada Gambar 7. Sedangkan Gambar 8 menunjukkan hasil klasifikasi untuk metode RGB- FSVM yang diperoleh dengan jumlah data latih sebesar 450 dan parameter =0,7. Gambar 5. Hasil klasifikasi metode YUV-FSVM dengan data latih 150 citra dan parameter = 0,7. Gambar 7. Hasil klasifikasi metode YUV-FSVM dengan data latih 450 citra dan parameter = 0,7. 5 KESIMPULAN Gambar 6. Hasil klasifikasi metode RGB-FSVM dengan data latih 150 citra dan parameter = 0,7. Secara umum, penambahan jumlah data latih yang digunakan akan mengakibatkan meningkatnya nilai akurasi yang dihasilkan. Dengan mengamati pada Tabel 2, bahwa penambahan jumlah data sampai Hasil uji coba yang telah dilakukan menunjukkan bahwa parameter pada fungsi kernel Gaussian RBF memberikan pengaruh terhadap tingkat akurasi. Akurasi tertinggi diperoleh ketika parameter tersebut bernilai 0,7. Disamping itu, secara umum meningkatnya jumlah data latih yang digunakan selama proses pelatihan terhadap metode yang diimplementasikan, akan memberikan dampak terhadap meningkatnya nilai akurasi yang dihasilkan. Rata-rata akurasi metode yang diusulkan, yaitu YUV-FSVM mencapai 72,83%, sedangkan metode RGB-FSVM mencapai 72,25%. Dari perolehan akurasi tersebut dapat disimpulkan bahwa metode yang diusulkan memiliki rata-rata tingkat 5
6 akurasi lebih tinggi daripada metode RGB-FSVM. Sehingga implementasi transformasi model warna YUV dan FSVM yang diusulkan mampu meningkatkan nilai akurasi. Gambar 8. Hasil klasifikasi metode RGB-FSVM dengan data latih 450 citra dan parameter = 0,7. 6 DAFTAR PUSTAKA [1] Yuyong, C. dan Zhiyuan, Z Remote Sensing Image Classification Based on the HSI Transformation and Fuzzy Support Vector Machine. IEEE International Conference on Future Computer and Communication [2] Camps-Valls, G. Gomez-Chova, L. dan Calpe- Maravilla J Kernel methods for HyMap imagery knowledge discovery. Image and Signal Processing for Remote Sensing, Bellingham, WA, 5238: [3] Vapnik, V Statistical Learning Theory, New York John Wiley & Sons. [4] Suykens, J.A.K dan Vandewalle, J Least Squares Support Vector Machine Classifiers. Neural Processing Letters, 9: [5] Wei, Wu. dan Guanglai, Gao An application of neuro-fuzzy system in remote sensing image classification. IEEE International Conference on Computer Science and Software Engineering [6] Rubert, C. Fonseca, L. dan Velho, L Learning Based Super-Resolution Using YUV Model for Remote Sensing Images. Proceedings of WTDCGPI. [7] Jianping, F. dan Yau, D. K. Y Automatic Image Segmentation by Integrating Color-Edge Extraction and Seeded Region Growing. IEEE Transactions On Image Processing. 10: [8] Gonzalez, R. C. dan E. Woods R Digital Image Processing. Prentice Hall, 2nd Edition. [9] Abe, Shingo dan Takuya Inoue Fuzzy Support Vector Machine for Multiclass Problems. European Symposium on Artificial Neural Networks, Bruges, Belgia. [10] Han, J. dan Kamber M Data Mining:Concepts and Technigues. Morgan Kaufmann Publishers, San Fransisco. [11] Wang, Lipo (Ed.) Support Vector Machines: Theory and Applications. Springer, New York. 6
KLASIFIKASI CITRA SATELIT MENGGUNAKAN KOMBINASI FITUR WARNA DAN FITUR TEKSTUR
Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK) Vol.2, No. 2, Oktober 2015, hlm. 102-109 KLASIFIKASI CITRA SATELIT MENGGUNAKAN KOMBINASI FITUR WARNA DAN FITUR TEKSTUR Sutrisno 1, Ahmad Afif Supianto
Lebih terperinciBAB 3 PROSEDUR DAN METODOLOGI. menawarkan pencarian citra dengan menggunakan fitur low level yang terdapat
BAB 3 PROSEDUR DAN METODOLOGI 3.1 Permasalahan CBIR ( Content Based Image Retrieval) akhir-akhir ini merupakan salah satu bidang riset yang sedang berkembang pesat (Carneiro, 2005, p1). CBIR ini menawarkan
Lebih terperinciBAB I PENDAHULUAN. Sistem penglihatan manusia memiliki akurasi yang besar dalam mengenali
BAB I PENDAHULUAN 1.1. Latar Belakang Sistem penglihatan manusia memiliki akurasi yang besar dalam mengenali objek 3 dimensi. Sistem penglihatan manusia dapat membedakan berbagai macam objek 3 dimensi
Lebih terperinciBAB 2 LANDASAN TEORI
7 BAB 2 LANDASAN TEORI Pada bab ini akan dibahas mengenai teori pendukung dan penelitian sebelumnya yang berhubungan dengan metode ekstraksi fitur, serta metode klasifikasi Support Vector Machine dalam
Lebih terperinciSegmentasi Citra menggunakan Support Vector Machine (SVM) dan Ellipsoid Region Search Strategy (ERSS) Arimoto Entropy berdasarkan Ciri Warna dan Tekstur Lukman Hakim 1, Siti Mutrofin 2, Evy Kamilah Ratnasari
Lebih terperinciPENGENALAN CITRA TULISAN TANGAN DOKTER DENGAN MENGGUNAKAN SVM DAN FILTER GABOR
PENGENALAN CITRA TULISAN TANGAN DOKTER DENGAN MENGGUNAKAN SVM DAN FILTER GABOR Angga Lisdiyanto (1), Lukman Zaman P.C.S.W (2) Teknik Informatika, Universitas Islam Lamongan (1) Teknik Informatika, Sekolah
Lebih terperinciPENERAPAN METODE KLASIFIKASI SUPPORT VECTOR MACHINE (SVM) PADA DATA AKREDITASI SEKOLAH DASAR (SD) DI KABUPATEN MAGELANG
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 3, Nomor 4, Tahun 2014, Halaman 811-820 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PENERAPAN METODE KLASIFIKASI SUPPORT VECTOR MACHINE (SVM) PADA
Lebih terperinciAnalisis Akurasi Support Vector Machine...
ANALISIS AKURASI SUPPORT VECTOR MACHINE DENGAN FUNGSI KERNEL GAUSSIAN RBF UNTUK PRAKIRAAN BEBAN LISTRIK HARIAN SEKTOR INDUSTRI Luqman Assaffat 1 * 1 Jurusan Teknik Elektro, Fakultas Teknik, Universitas
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Pengolahan Citra Digital [3] Citra atau gambar didefinisikan sebagai sebuah fungsi dua dimensi, f(x,y), di mana x dan y adalah koordinat bidang datar, dan harga fungsi f di setiap
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Dalam mencapai tujuan pembangunan ekonomi diperlukan peran serta lembaga keuangan untuk membiayai pembangunan tersebut. Lembaga keuangan memegang peranan penting dalam
Lebih terperinciPENERAPAN ADABOOST UNTUK KLASIFIKASI SUPPORT VECTOR MACHINE GUNA MENINGKATKAN AKURASI PADA DIAGNOSA CHRONIC KIDNEY DISEASE
PENERAPAN ADABOOST UNTUK KLASIFIKASI SUPPORT VECTOR MACHINE GUNA MENINGKATKAN AKURASI PADA DIAGNOSA CHRONIC KIDNEY DISEASE Eka Listiana 1*, Much Aziz Muslim 1 1 Program Studi Teknik Informatika, Fakultas
Lebih terperinciBAB II TINJAUAN PUSTAKA. menggunakan PCA, kemudian penelitian yang menggunakan algoritma Fuzzy C-
8 BAB II TINJAUAN PUSTAKA 2.1 Studi Pendahuluan Sebelumnya telah ada penelitian tentang sistem pengenalan wajah 2D menggunakan PCA, kemudian penelitian yang menggunakan algoritma Fuzzy C- Means dan jaringan
Lebih terperinciDielektrika, ISSN Vol. 3, No. 1 : 53-59, Pebruari 2016
Dielektrika, ISSN 2086-9487 53 Vol. 3, No. 1 : 53-59, Pebruari 2016 PENGKLASIFIKASIAN WARNA KULIT BERDASARKAN RAS MENGGUNAKAN ALGORITMA SUPPORT VECTOR MACHINE (SVM) Human Skin Classification Based On Races
Lebih terperinciSVM untuk Regresi Ordinal
MMA10991 Topik Khusus - Machine Learning Dr. rer. nat. Hendri Murfi Intelligent Data Analysis (IDA) Group Departemen Matematika, Universitas Indonesia Depok 16424 Telp. +62-21-7862719/7863439, Fax. +62-21-7863439,
Lebih terperinciPengantar Support Vector Machine
Pengantar Support Vector Machine Anto Satriyo Nugroho February 8, 2007 1 Pengantar Pattern Recognition (PR) didefinisikan sebagai proses pemetaan suatu data ke dalam konsep tertentu yang telah didefinisikan
Lebih terperinciKLASIFIKASI LAMA STUDI MAHASISWA FSM UNIVERSITAS DIPONEGORO MENGGUNAKAN REGRESI LOGISTIK BINER DAN SUPPORT VECTOR MACHINE (SVM)
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 4, Nomor 1, Tahun 2015, Halaman 123-132 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian KLASIFIKASI LAMA STUDI MAHASISWA FSM UNIVERSITAS DIPONEGORO
Lebih terperinciBAB III LANDASAN TEORI. Definisi Peramalan adalah memperkiraan atau memproyeksikan sesuatu
BAB III LANDASAN TEORI 3.1 Definisi Peramalan Definisi Peramalan adalah memperkiraan atau memproyeksikan sesuatu yang akan terjadi dimasa sekarang maupun yang akan datang. dikarena masa yang akan datang
Lebih terperinciIMPLEMENTASI PREDIKSI KEDALAMAN LAUT BERDASARKAN CITRA SATELIT MENGGUNAKAN SUPPORT VECTOR REGRESSION
IMPLEMENTASI PREDIKSI KEDALAMAN LAUT BERDASARKAN CITRA SATELIT MENGGUNAKAN SUPPORT VECTOR REGRESSION Putri Haryati Rizki,S.Kom. 1, Jondri, Drs.,Msi. 2, Rian Febrian Umbara, Ssi.,Msi. 3 1,3 Prodi Ilmu Komputasi
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Pengembangan teknologi diharapkan menghasilkan berbagai hal yang berguna untuk memenuhi kebutuhan masyarakat serta memberi kemudahan dan kenyamanan pada pengguna
Lebih terperinciAnalisis Perbandingan Sistem Pengenalan Rambu-Rambu Lalu Lintas Menggunakan Metode Generative Learning dan Support Vector Machine
Analisis Perbandingan Sistem Pengenalan Rambu-Rambu Lalu Lintas Menggunakan Metode Generative Learning dan Support Vector Machine Moses Jefferson Irawan, Dodi Sudiana Teknik Komputer, Fakultas Teknik,
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Dunia kesehatan dewasa ini tidak bisa dipisahkan dengan teknologi yang terus berkembang. Pengembangan teknologi yang erat kaitannya dengan dunia kesehatan atau dunia
Lebih terperinciPENDETEKSIAN CITRA PALSU DENGAN MENGGUNAKAN WATERMARKS DAN SUPPORT VECTOR MACHINES. Daniel Hutabarat ( )
PENDETEKSIAN CITRA PALSU DENGAN MENGGUNAKAN WATERMARKS DAN SUPPORT VECTOR MACHINES Daniel Hutabarat ( 0522097 ) Jurusan Teknik Elektro, Fakultas Teknik, Universitas Kristen Maranatha Jl. Prof. Drg. Surya
Lebih terperinciPENGEMBANGAN SISTEM PEROLEHAN CITRA BERBASIS ISI PADA CITRA BATIK MENGGUNAKAN METODE INTEGRATED COLOR AND INTENSITY CO-OCCURRENCE MATRIX (ICICM)
PENGEMBANGAN SISTEM PEROLEHAN CITRA BERBASIS ISI PADA CITRA BATIK MENGGUNAKAN METODE INTEGRATED COLOR AND INTENSITY CO-OCCURRENCE MATRIX (ICICM) Rima Tri Wahyuningrum *) Program Studi Teknik Informatika,
Lebih terperinciSupport Vector Machine
MMA10991 Topik Khusus Machine Learning Dr. rer. nat. Hendri Murfi Intelligent Data Analysis (IDA) Group Departemen Matematika, Universitas Indonesia Depok 16424 Telp. +62-21-7862719/7863439, Fax. +62-21-7863439,
Lebih terperinciPENDETEKSIAN TEPI OBJEK MENGGUNAKAN METODE GRADIEN
PENDETEKSIAN TEPI OBJEK MENGGUNAKAN METODE GRADIEN Dolly Indra dolly.indra@umi.ac.id Teknik Informatika Universitas Muslim Indonesia Abstrak Pada tahap melakukan ekstraksi ciri (feature extraction) faktor
Lebih terperinciBAB II KAJIANPUSTAKA
BAB II KAJIANPUSTAKA 2.1 Klasifikasi Klasifikasi adalah proses pengelompokan data menjadi suatu kelas berdasarkan kesamaan karakteristik pada data data yang ada. Ada 2 jenis metode yang dapat digunakan
Lebih terperinciIdentifikasi Tanda Tangan Menggunakan Transformasi Gabor Wavelet dan Jarak Minskowski
Identifikasi Tanda Tangan Menggunakan Transformasi Gabor Wavelet dan Jarak Minskowski Junia Kurniati Computer Engineering Department Faculty of Computer Science Sriwijaya University South Sumatera Indonesia
Lebih terperinciSVM untuk Regresi. Machine Learning
MMA10991 Topik Khusus - Machine Learning Dr. rer. nat. Hendri Murfi Intelligent Data Analysis (IDA) Group Departemen Matematika, Universitas Indonesia Depok 16424 Telp. +62-21-7862719/7863439, Fax. +62-21-7863439,
Lebih terperinciDatabase Ekspresi Wajah Perempuan Indonesia Berbasis 2D untuk Pengenalan Emosi
Tugas Akhir Database Ekspresi Wajah Perempuan Indonesia Berbasis 2D untuk Pengenalan Emosi Oleh : Dwi Angga Y. 2210106042 Pembimbing : I. Dr. Surya Sumpeno, ST., M.Sc. II. Muhtadin, ST., MT. Halaman 1
Lebih terperinciSEGMENTASI CITRA MENGGUNAKAN PENGHAPUSAN TEKSTUR DAN K-MEANS DENGAN BATASAN RUANG
SEGMENTASI CITRA MENGGUNAKAN PENGHAPUSAN TEKSTUR DAN K-MEANS DENGAN BATASAN RUANG Gama Wisnu Fajarianto 1, Handayani Tjandrasa 2 Jurusan Teknik Informatika, Fakultas Teknologi Informasi Institut Teknologi
Lebih terperinciGambar 15 Contoh pembagian citra di dalam sistem segmentasi.
dalam contoh ini variance bernilai 2000 I p I t 2 = (200-150) 2 + (150-180) 2 + (250-120) I p I t 2 = 28400. D p (t) = exp(-28400/2*2000) D p (t) = 8.251 x 10-4. Untuk bobot t-link {p, t} dengan p merupakan
Lebih terperinciDeteksi Mobil Menggunakan Histogram of Oriented Gradient
1 Deteksi Mobil Menggunakan Histogram of Oriented Gradient Cahyo Permata,I Ketut Eddy Purnama dan Muhtadin Jurusan Teknik Elektro, Fakultas Teknologi Industri, Institut Teknologi Sepuluh Nopember (ITS)
Lebih terperinci2.Jenis Serangan Berikut Berikut ini daftar serangan yang terdapat dalam dataset:
Analisis Support vector machines pada Deteksi Misuse untuk Intrusion Detection System Faris Alfa Mauludy 1, Adiwijaya 2, GiaSeptiana 3 1 Prodi S1 Teknik Informatika, Telkom Informatics School, Universitas
Lebih terperinciPENGGOLONGAN UANG KULIAH TUNGGAL MENGGUNAKAN SUPPORT VECTOR MACHINE
E-Jurnal Matematika Vol. 6 (4), November 2017, pp. 220-225 ISSN: 2303-1751 DOI: https://doi.org/10.24843/mtk.2017.v06.i04.p169 PENGGOLONGAN UANG KULIAH TUNGGAL MENGGUNAKAN SUPPORT VECTOR MACHINE I Gede
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1. Rancangan Penelitian Metode penelitian yang digunakan meliputi studi kepustakaan dan penelitian laboratorium. Studi kepustakaan dilakukan untuk mencari teori atau informasi
Lebih terperinciKLASIFIKASI WILAYAH DESA-PERDESAAN DAN DESA-PERKOTAAN WILAYAH KABUPATEN SEMARANG DENGAN SUPPORT VECTOR MACHINE (SVM)
KLASIFIKASI WILAYAH DESA-PERDESAAN DAN DESA-PERKOTAAN WILAYAH KABUPATEN SEMARANG DENGAN SUPPORT VECTOR MACHINE (SVM) SKRIPSI Disusun Oleh : MEKAR SEKAR SARI NIM. 24010210120008 JURUSAN STATISTIKA FAKULTAS
Lebih terperinciPENGENALAN GENDER MEMANFAATKAN WAJAH MANUSIA DENGAN MENGGUNAKAN METODE KLASIFIKASI NEAREST NEIGHBOR
PENGENALAN GENDER MEMANFAATKAN WAJAH MANUSIA DENGAN MENGGUNAKAN METODE KLASIFIKASI NEAREST NEIGHBOR Ardilla Ayu Dewanti Ridwan, Ivanna K. Timotius, Iwan Setyawan PENGENALAN GENDER MEMANFAATKAN WAJAH MANUSIA
Lebih terperinciKLASIFIKASI JENIS KUALITAS KEJU DENGAN MENGGUNAKAN METODE GRAY LEVEL COOCCURRENCE MATRIX (GLCM) DAN SUPPORT VECTOR MACHINE (SVM) PADA CITRA DIGITAL
e-proceeding of Engineering : Vol.4, No.2 Agustus 207 Page 2035 KLASIFIKASI JENIS KUALITAS KEJU DENGAN MENGGUNAKAN METODE GRAY LEVEL COOCCURRENCE MATRIX (GLCM) DAN SUPPORT VECTOR MACHINE (SVM) PADA CITRA
Lebih terperinciPENENTUAN JALUR TERPENDEK PADA APLIKASI OJEK ONLINE GO-JEK DENGAN PROBABILISTIC NEURAL NETWORK (PNN) DAN PARTICLE SWARM OPTIMIZATION (PSO)
PENENTUAN JALUR TERPENDEK PADA APLIKASI OJEK ONLINE GO-JEK DENGAN PROBABILISTIC NEURAL NETWORK (PNN) DAN PARTICLE SWARM OPTIMIZATION (PSO) Levina Fitri Rahmawati, Isnandar Slamet, dan Diari Indriati Program
Lebih terperinciPerbandingan Pewarnaan Citra Grayscale Menggunakan Metode K-Means Clustering dan Agglomerative Hierarchical Clustering
Berkala MIPA, 23(3), September 2014 Perbandingan Pewarnaan Citra Grayscale Menggunakan Metode K-Means Clustering dan Agglomerative Hierarchical Clustering Muhammad Safrizal 1 dan Agus Harjoko 2 1,2 Universitas
Lebih terperinciKLASIFIKASI KAYU DENGAN MENGGUNAKAN NAÏVE BAYES-CLASSIFIER
KLASIFIKASI KAYU DENGAN MENGGUNAKAN NAÏVE BAYES-CLASSIFIER ACHMAD FAHRUROZI 1 1 Universitas Gunadarma, achmad.fahrurozi12@gmail.com Abstrak Masalah yang akan diangkat dalam makalah ini adalah bagaimana
Lebih terperinciPengenalan Telur Berdasarkan Karakteristik Warna Citra Yustina Retno Wahyu Utami 2)
Pengenalan Telur Berdasarkan Karakteristik Warna Citra Yustina Retno Wahyu Utami 2) ISSN : 1693 1173 Abstrak Pengenalan obyek pada citra merupakan penelitian yang banyak dikembangkan. Salah satunya pengenalan
Lebih terperinciPENDAHULUAN TINJAUAN PUSTAKA
Latar Belakang PENDAHULUAN Indonesia merupakan negara tropis yang memiliki + 30.000 spesies tumbuh-tumbuhan ([Depkes] 2007). Tumbuh-tumbuhan tersebut banyak yang dibudidayakan sebagai tanaman hias. Seiring
Lebih terperinciPENGENALAN WAJAH MENGGUNAKAN ALGORITMA EIGENFACE DAN EUCLIDEAN DISTANCE
PENGENALAN WAJAH MENGGUNAKAN ALGORITMA EIGENFACE DAN EUCLIDEAN DISTANCE Widodo Muda Saputra, Helmie Arif Wibawa, S.Si, M.Cs, dan Nurdin Bahtiar, S.Si, M.T Fakultas Sains dan Matematika, Jurusan Ilmu Komputer
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Perkembangan teknologi senantiasa membawa dampak secara langsung maupun tidak langsung, baik itu berdampak positif maupun negatif dan akan sangat berpengaruh terhadap
Lebih terperinciCONVOLUTIONAL NEURAL NETWORK. Pengantar Deep Learning
CONVOLUTIONAL NEURAL NETWORK Pengantar Deep Learning Convolutional Neural Network Convolutional Neural Network (CNN) adalah salah satu jenis neural network yang biasa digunakan pada data image. CNN bisa
Lebih terperinciAnalisa Perbandingan Metode Edge Detection Roberts Dan Prewitt
Analisa Perbandingan Metode Edge Detection Roberts Dan Prewitt Romindo Polikteknik Ganesha Medan Jl. Veteran No. 190 Pasar VI Manunggal romindo4@gmail.com Nurul Khairina Polikteknik Ganesha Medan Jl. Veteran
Lebih terperinciTechno.COM, Vol. 16, No. 3, Agustus 2017 : Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Dian Nuswantoro 2
Fitur Ekstraksi Berbasis Discrete Wavelet Transform Untuk Pengenalan Karakter Pada Plat Nomor Kendaraan Feature Extraction Based On Discrete Wavelet Transform For Character Recognition On License Plate
Lebih terperinciModifikasi Algoritma Pengelompokan K-Means untuk Segmentasi Citra Ikan Berdasarkan Puncak Histogram
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2013) 1-5 1 Modifikasi Algoritma Pengelompokan K-Means untuk Segmentasi Citra Ikan Berdasarkan Puncak Histogram Shabrina Mardhi Dalila, Handayani Tjandrasa, dan Nanik
Lebih terperinciKLASIFIKASI LEVEL KEMATANGAN BUAH TOMAT BERDASARKAN FITUR WARNA MENGGUNAKAN MULTI-SVM
KLASIFIKASI LEVEL KEMATANGAN BUAH TOMAT BERDASARKAN FITUR WARNA MENGGUNAKAN MULTI-SVM Suastika Yulia Riska 1), Puji Subekti 2) 1 Teknik Informatika, STMIK Asia Malang email: suastikayr@gmail.com 2 Teknik
Lebih terperinciIMPLEMENTASI METODE SUPPORT VECTOR MACHINE PADA SISTEM PENGENALAN JEJAITAN
IMPLEMENTASI METODE SUPPORT VECTOR MACHINE PADA SISTEM PENGENALAN JEJAITAN Ni Ketut Dewi Ari Jayanti 1), Kadek Dwi Pradnyani Novianti 2), I Wayan Sumalya 3) 1), 2) 3) Sistem Informasi STMIK STIKOM Bali
Lebih terperinciBAB V KESIMPULAN. Wajah pada Subruang Orthogonal dengan Menggunakan Laplacianfaces
BAB V KESIMPULAN Berdasarkan uji coba dan analisis hasil pengujian terhadap Sistem Pengenalan Wajah pada Subruang Orthogonal dengan Menggunakan Laplacianfaces Terdekomposisi QR dapat disimpulkan sebagai
Lebih terperinciPengembangan Model Pengenalan Wajah Manusia dengan Teknik Reduksi Dimensi Bi- 2DPCA dan Support Vector Machine sebagai Classifier
Pengembangan Model Pengenalan Wajah Manusia dengan Teknik Reduksi Dimensi Bi- dan Support Vector Machine sebagai Classifier Fredicia 1, Agus Buono 2, Endang Purnama Giri 2 1 Program Studi Teknik Informatika,
Lebih terperinciBAB II TEORI DASAR. Beberapa definisi tentang tutupan lahan antara lain:
BAB II TEORI DASAR 2.1 Tutupan Lahan Tutupan Lahan atau juga yang biasa disebut dengan Land Cover memiliki berbagai pengertian, bahkan banyak yang memiliki anggapan bahwa tutupan lahan ini sama dengan
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI Pada bab ini akan dibahas teori yang berkaitan dengan pemrosesan data untuk sistem pengenalan gender pada skripsi ini, meliputi cropping dan resizing ukuran citra, konversi citra
Lebih terperinciEKSTRAKSI GARIS PANTAI MENGGUNAKAN HYPSOGRAPHY TOOLS
EKSTRAKSI GARIS PANTAI MENGGUNAKAN HYPSOGRAPHY TOOLS Danang Budi Susetyo, Aji Putra Perdana, Nadya Oktaviani Badan Informasi Geospasial (BIG) Jl. Raya Jakarta-Bogor Km. 46, Cibinong 16911 Email: danang.budi@big.go.id
Lebih terperinciHASIL DAN PEMBAHASAN. B fch a. d b
7 dengan nilai σ yang digunakan pada tahap pelatihan sebelumnya. Selanjutnya dilakukan perhitungan tingkat akurasi SVM terhadap citra yang telah diprediksi secara benar dan tidak benar oleh model klasifikasi.
Lebih terperinciPenerapan Kohonen Self Organized Map Dalam Kuantisasi Vektor Pada Kompresi Citra Bitmap 24 Bit
Penerapan Kohonen Self Organized Map Dalam Kuantisasi Vektor Pada Kompresi Citra Bitmap 24 Bit Gadis Fransiska Yulianti Tae, Sri Suwarno, Widi Hapsari Fakultas Teknologi Informasi, Program Studi Teknik
Lebih terperinciPERANCANGAN DAN PEMBUATAN APLIKASI UNTUK MENDESAIN KARTU UCAPAN
PERANCANGAN DAN PEMBUATAN APLIKASI UNTUK MENDESAIN KARTU UCAPAN Rudy Adipranata 1, Liliana 2, Gunawan Iteh Fakultas Teknologi Industri, Jurusan Teknik Informatika, Universitas Kristen Petra Jl. Siwalankerto
Lebih terperinci4 Notepad dan Microsoft Excel sebagai editor data.
dengan menggunakan perangkat lunak ENVI disimpan dalam file.txt (Lampiran 1). File ini berisi informasi mengenai panjang gelombang dan nilai pantulan (reflectance) objek di permukaan bumi. Objek yang diperlukan
Lebih terperinciBAB II STUDI PUSTAKA
BAB II STUDI PUSTAKA 2.1 Tinjauan Pustaka Pengolahan citra digital dapat melakukan identifikasi berbagai citra hasil capture, dalam hal ini salah satu objek yang digunakan yaitu buah. Yulia (2010) dalam
Lebih terperinci... BAB 2 LANDASAN TEORI. 2.1 Citra
6 BAB 2 LANDASAN TEORI 2.1 Citra Citra atau image adalah suatu matriks dimana indeks baris dan kolomnya menyatakan suatu titik pada citra tersebut dan elemen matriksnya (yang disebut sebagai elemen gambar
Lebih terperinciDeteksi Tepi pada Citra Digital menggunakan Metode Kirsch dan Robinson
Deteksi Tepi pada Citra Digital menggunakan Metode Kirsch dan Robinson Veronica Lusiana Program Studi Teknik Informatika, Universitas Stikubank email: verolusiana@yahoo.com Abstrak Segmentasi citra sebagai
Lebih terperinciPRESENTASI TUGAS AKHIR IMPLEMENTASI PENGGABUNGAN ALGORITMA SUPPORT VECTOR MACHINE DAN SIMULATED ANNEALING PADA PERMASALAHAN KLASIFIKASI POLA
PRESENTASI TUGAS AKHIR IMPLEMENTASI PENGGABUNGAN ALGORITMA SUPPORT VECTOR MACHINE DAN SIMULATED ANNEALING PADA PERMASALAHAN KLASIFIKASI POLA Penyusun Tugas Akhir : Astris Dyah Perwita (NRP : 5110.100.178)
Lebih terperinciPENGARUH JUMLAH DATA LATIH SVM PADA PERAMALAN BEBAN LISTRIK BULANAN DI SEKTOR INDUSTRI
Techno, ISSN 1410-8607 Volume 17 No. 2, Oktober 2016 Hal. 088 093 PENGARUH JUMLAH DATA LATIH SVM PADA PERAMALAN BEBAN LISTRIK BULANAN DI SEKTOR INDUSTRI The Total of SVM Train Data Effect OnMonthly Electric
Lebih terperinciKOMPRESI CITRA BERWARNA DENGAN ALGORITMA ENHANCED SELF ORGANIZING MAP (ENHANCED SOM)
KOMPRESI CITRA BERWARNA DENGAN ALGORITMA ENHANCED SELF ORGANIZING MAP (ENHANCED SOM) Bambang Trianggono *, Agus Zainal Arifin * Jurusan Teknik Informatika, Fakultas Teknologi Informasi, Institut Teknologi
Lebih terperinciAnalisa Hasil Perbandingan Metode Low-Pass Filter Dengan Median Filter Untuk Optimalisasi Kualitas Citra Digital
Analisa Hasil Perbandingan Metode Low-Pass Filter Dengan Median Filter Untuk Optimalisasi Kualitas Citra Digital Nurul Fuad 1, Yuliana Melita 2 Magister Teknologi Informasi Institut Saint Terapan & Teknologi
Lebih terperinciAPLIKASI PENGKLASIFIKASIAN MOTIF BATIK TULIS LASEM MENGGUNAKAN METODE GRAY LEVEL CO-OCCURRENCE MATRICES (GLCM) DAN SUPPORT VECTOR MACHINE (SVM)
APLIKASI PENGKLASIFIKASIAN MOTIF BATIK TULIS LASEM MENGGUNAKAN METODE GRAY LEVEL CO-OCCURRENCE MATRICES (GLCM) DAN SUPPORT VECTOR MACHINE (SVM) SKRIPSI Disusun Sebagai Salah Satu Syarat Untuk Memperoleh
Lebih terperinciHUBUNGAN JUMLAH INPUT LAYER DAN OUTPUT LAYER NEURAL NETWORK TERHADAP TINGKAT AKURASI SISTEM HANDWRITING RECOGNITION DENGAN METODE BACKPROPAGATION
HUBUNGAN JUMLAH INPUT LAYER DAN OUTPUT LAYER NEURAL NETWORK TERHADAP TINGKAT AKURASI SISTEM HANDWRITING RECOGNITION DENGAN METODE BACKPROPAGATION Harjono, Didik Warasto Politeknik Pratama Mulia Surakarta
Lebih terperinciPengklasifikasian Pada Data Echocardiogram Dengan Menggunakan Support Vector Machine dan Analisis Diskriminan
Gede Suwardika. (2017). Pengklasifikasian Pada Data Echocardiogram Dengan Menggunakan Support Vector Machine dan Analisis Diskriminan. International Journal of Natural Science and Engineering. Vol.1 (1)
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Deteksi wajah pada suatu citra merupakan bagian yang penting dalam perkembangan sistem pengenalan wajah (Face Recognition). Pengenalan wajah banyak digunakan untuk
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Kredit merupakan salah satu bentuk usaha sekunder yang dapat dilakukan untuk pemenuhan kebutuhan sehari-hari. Pada umumya, proses kredit dapat dilayani melalui lembaga
Lebih terperinci. BAB II LANDASAN TEORI. 2.1 Pengenalan Jenis Kendaraan Menggunakan Statistical Algorithm dan Support Vector Machine [11]
. BAB II LANDASAN TEORI 2.1 Pengenalan Jenis Kendaraan Menggunakan Statistical Algorithm dan Support Vector Machine [11] Dalam penelitian tersebut dibangun sistem pengenalan jenis kendaraan otomatis. Jenis
Lebih terperinciPENGEMBANGAN ALGORITMA PENGUBAHAN UKURAN CITRA BERBASISKAN ANALISIS GRADIEN DENGAN PENDEKATAN POLINOMIAL
PENGEMBANGAN ALGORITMA PENGUBAHAN UKURAN CITRA BERBASISKAN ANALISIS GRADIEN DENGAN PENDEKATAN POLINOMIAL Eric Christopher #1, Dr. Ir. Rinaldi Munir, M. T. #2 #School of Electrical Engineering and Informatics,
Lebih terperinciPemisahan Objek-Objek Berbasis Region pada Citra Digital dengan Metode Normalized Cuts
JURNAL DIGIT, Vol.1, No., November 011, pp. 13~131 ISSN: 088-589X 13 Pemisahan Objek-Objek Berbasis Region pada Citra Digital dengan Metode Normalized Cuts Marsani Asfi Program Studi Sistem Informasi Sekolah
Lebih terperinciPENGENALAN HURUF TULISAN TANGAN MENGGUNAKAN METODE ZONING DAN SUPPORT VECTOR MACHINE
PENGENALAN HURUF TULISAN TANGAN MENGGUNAKAN METODE ZONING DAN SUPPORT VECTOR MACHINE Christyawan Ridanto Pitoyo, Tjut Awaliyah Zuraiyah, Arie Qur ania Email : christyawan.ridanto@gmail.com Program Studi
Lebih terperinciIMPLEMENTASI APLIKASI PENGENALAN JENIS KELAMIN BERDASARKAN CITRA WAJAH DENGAN METODE SUPPORT VECTOR MACHINE SECARA REAL TIME
IMPLEMENTASI APLIKASI PENGENALAN JENIS KELAMIN BERDASARKAN CITRA WAJAH DENGAN METODE SUPPORT VECTOR MACHINE SECARA REAL TIME Implementation of Gender Recognition Applications Based on Face Image with Support
Lebih terperinciPREDIKSI THD TEGANGAN SISTEM TENAGA LISTRIK MENGGUNAKAN SUPPORT VECTOR MACHINE DENGAN FUNGSI KERNEL GAUSSIAN RBF
PREDIKSI THD TEGANGAN SISTEM TENAGA LISTRIK MENGGUNAKAN SUPPORT VECTOR MACHINE DENGAN FUNGSI KERNEL GAUSSIAN RBF Luqman Assaffat Universitas Muhammadiyah Semarang assaffat@unimus.ac.id ABSTRACT The voltage
Lebih terperinciModel Linear untuk Klasifikasi
MMA10991 Topik Khusus - Machine Learning Model Linear untuk Klasifikasi Dr. rer. nat. Hendri Murfi Intelligent Data Analysis (IDA) Group Departemen Matematika, Universitas Indonesia Depok 16424 Telp. +62-21-7862719/7863439,
Lebih terperinciVol. II, 26 November 2016, ISSN:
Seminar SENATIK Nasional Vol. II, 26 Teknologi November Informasi 2016, ISSN: dan 2528-1666 Kedirgantaraan (SENATIK) Vol. II, 26 November 2016, ISSN: 2528-1666 SiC- 109 Gracelia Adelaida Bere 1, Elizabeth
Lebih terperinciPENDETEKSIAN JENIS DAN KELAS AROMA DENGAN MENGGUNAKAN METODE ONE-VS-ONE DAN METODE ONE-VS-REST
MAKARA, SAINS, VOL. 7, NO.3, DESEMBER 2003 PENDETEKSIAN JENIS DAN KELAS AROMA DENGAN MENGGUNAKAN METODE ONE-VS-ONE DAN METODE ONE-VS-REST Zuherman Rustam 1,3, Benyamin Kusumoputro 2,3 dan Belawati Widjaja
Lebih terperinciIMPLEMENTASI TWITTER SENTIMENT ANALYSIS UNTUK REVIEW FILM MENGGUNAKAN ALGORITMA SUPPORT VECTOR MACHINE
Jurnal Informatika Polinema ISSN: 2407-070X IMPLEMENTASI TWITTER SENTIMENT ANALYSIS UNTUK REVIEW FILM MENGGUNAKAN ALGORITMA SUPPORT VECTOR MACHINE Faisal Rahutomo 1, Pramana Yoga Saputra 2, Miftahul Agtamas
Lebih terperinciIDENTIFIKASI TANDA TANGAN DENGAN PENDEKATAN SUPPORT VECTOR MACHINE
IDENTIFIKASI TANDA TANGAN DENGAN PENDEKATAN SUPPORT VECTOR MACHINE Endina Putri P 1, Diyah Puspitaningrum 2, Andre Mirfen 3 1,2,3 Program Studi Teknik Infomatika, Fakultas Teknik, Universitas Bengkulu.
Lebih terperinciEkstraksi Fitur Warna, Tekstur dan Bentuk untuk Clustered- Based Retrieval of Images (CLUE)
Konferensi Nasional Sistem & Informatika 2017 STMIK STIKOM Bali, 10 Agustus 2017 Ekstraksi Fitur Warna, Tekstur dan Bentuk untuk Clustered- Based Retrieval of Images (CLUE) I Gusti Rai Agung Sugiartha
Lebih terperinciSUPPORT VECTOR MACHINE (SVM)
MAKALAH DATA MINING SUPPORT VECTOR MACHINE (SVM) Di Susun Oleh : Nama : RA. Toyyibatul Faihah NRP : 07.04.111.00132 JURUSAN TEKNIK INFORMATIKA FAKULTAS TEKNIK UNIVERSITAS TRUNOJOYO 2010 1 PENDAHULUAN 1.1
Lebih terperinciBAB III LANDASAN TEORI
BAB III LANDASAN TEORI 3.1. Citra Digital Citra digital adalah suatu citra elektronik yang diambil dari dokumen, seperti foto, buku, maupun sebuah video. Proses perubahan citra analog menjadi citra digital
Lebih terperinciBAB II LANDASAN TEORI. Pengolahan Citra adalah pemrosesan citra, khususnya dengan menggunakan
BAB II LANDASAN TEORI 2.1. Citra Citra adalah gambar pada bidang dwimatra (dua dimensi). Ditinjau dari sudut pandang matematis, citra merupakan fungsi menerus dan intensitas cahaya pada bidang dwimatra
Lebih terperinciINTEGRASI PERINGKAS DOKUMEN OTOMATIS SEBAGAI FEATURE REDUCTION PADA CLUSTERING DOKUMEN
INTEGRASI PERINGKAS DOKUMEN OTOMATIS SEBAGAI FEATURE REDUCTION PADA CLUSTERING DOKUMEN Abu Salam 1, Catur Supriyanto 2, Amiq Fahmi 3 1,2 Magister Teknik Informatika, Univ. Dian Nuswantoro Email: masaboe@yahoo.com
Lebih terperinciPengembangan Algoritma Pengubahan Ukuran Citra Berbasiskan Analisis Gradien dengan Pendekatan Polinomial
Pengembangan Algoritma Pengubahan Ukuran Citra Berbasiskan Analisis Gradien dengan Pendekatan Polinomial Eric Christopher School of Electrical Engineering and Informatics, Institute Technology of Bandung,
Lebih terperinciKLASIFIKASI CITRA FORMULIR MENGGUNAKAN METODE SUPPORT VECTOR MACHINE (SVM) PADA PROSES DIGITALISASI FORMULIR
KLASIFIKASI CITRA FORMULIR MENGGUNAKAN METODE SUPPORT VECTOR MACHINE (SVM) PADA PROSES DIGITALISASI FORMULIR Dewi Pramudi Ismi 1), Ardiansyah 2) 1 Program Studi Teknik Informatika, Fakultas Teknologi Industri,
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI Pada bab ini akan dibahas teori yang berkaitan dengan pemrosesan data untuk sistem pendeteksi senyum pada skripsi ini, meliputi metode Viola Jones, konversi citra RGB ke grayscale,
Lebih terperinciANALISIS KEPADATAN LALU LINTAS DENGAN MENGGUNAKAN METODE ICA DAN SVM
ANALISIS KEPADATAN LALU LINTAS DENGAN MENGGUNAKAN METODE ICA DAN SVM Ardan Wicaksono¹, Heroe Wijanto², Gelar Budiman³ ¹Teknik Telekomunikasi,, Universitas Telkom Abstrak Kata Kunci : Abstract At this time
Lebih terperinciBAB I PENDAHULUAN Latar Belakang
BAB I PENDAHULUAN Latar Belakang Tanaman merupakan bagian penting dalam ekosistem, berbagai jenis tanaman telah digunakan selama berabad-abad dalam bidang pangan, papan, maupun obat-obatan. Gloria Samantha
Lebih terperinciPERBANDINGAN RUANG WARNA PADA PENGOLAHAN INFORMASI WARNA UNTUK SEGMENTASI CITRA MENGGUNAKAN NEUTROSOPHIC SET
PERBANDINGAN RUANG WARNA PADA PENGOLAHAN INFORMASI WARNA UNTUK SEGMENTASI CITRA MENGGUNAKAN NEUTROSOPHIC SET Monica Widiasri Teknik Informatika, Fakultas Teknik, Universitas Surabaya monica@ubaya.ac.id
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Sering terdapat tenggang waktu (time lag) antara kesadaran akan peristiwa atau kebutuhan mendatang dengan peristiwa itu sendiri. Adanya waktu tenggang ini merupakan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Citra Digital 2.1.1 Pengertian Citra Digital Secara umum, citra digital merupakan gambar 2 dimensi yang disusun oleh data digital dalam bentuk sebuah larik (array) yang berisi
Lebih terperinciANALISIS DAN PERANCANGAN SISTEM
ANALISIS DAN PERANCANGAN SISTEM 3.1 Analisis Masalah Dalam mengetahui suatu bahan jenis kulit cukup sulit karena bahan jenis kulit memeliki banyak jenis. Setiap permukaan atau tekstur dari setiap jenisnya
Lebih terperinciDETEKSI DAN SEGMENTASI OTOMATIS DERET PADA CITRA METERAN AIR
DETEKSI DAN SEGMENTASI OTOMATIS DERET PADA CITRA METERAN AIR Naser Jawas STIKOM Bali Jl. Raya Puputan, No.86, Renon, Denpasar, Bali Email: naser.jawas@gmail.com ABSTRAK Meter air adalah sebuah alat yang
Lebih terperinci2. BAB II TINJAUAN PUSTAKA
2. BAB II TINJAUAN PUSTAKA 2.1 Penelitian yang Terkait Langkah awal teknik deteksi kulit manusia pada metode dengan pendekatan pixelbased secara umum adalah dengan melakukan transformasi dari color space
Lebih terperinciPEMANFAATAAN BIOMETRIKA WAJAH PADA SISTEM PRESENSI MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK
PEMANFAATAAN BIOMETRIKA WAJAH PADA SISTEM PRESENSI MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK Program Studi Matematika FMIPA Universitas Negeri Semarang Abstrak. Saat ini, banyak sekali alternatif dalam
Lebih terperinci